卷积神经网络在手绘草图识别中的应用研究

《卷积神经网络在手绘草图识别中的应用研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、’■■■■■’■■．；；密级：聲義乂榮保密期限；＼硕±学位论文卷积神经网络在手绘草图识别中的应用研究民ｅｓｅａｒｃｈｏｎＳｋｅ化ｈ民ｅｃｏｇｎｉｔｉｏｎＵｓｉｎｇＣｏｎｖｏｌｕｔｉｏｎａｌＮｅｕｒａｌＮｅｔｗｏｒｋｓ学号Ｅ１３２０１０１７＾Ｖ／姓名王斐学位类别工学硕±＾＾＾计算机应臟术（工程领域）指导教师赵鹏副教授完成时间２０１６年４月答辩委员会．户，（主席签名）作５言、独创性声嗦本人声明所呈交的学

2、位论文是本人在导师指导下进行的巧究工作及取得的研究成果。据我所知，论文，除了文中特别加Ｗ标注和致谢的化方外中不包含其他人已经发表或撰写过的研究成果，化不包含为获得安徵大学或其他教盲化构的学位或证书而使用过的材料一工作的同志对本研究所做的任何贡献均己。与我同在论文中作了明确的说巧并表示谢意。＾＇学位论文作者签名：王斐签导日期：年５月日学位论文版权使用授权书本学位论文作者完全了解安徽大学有关保留、使用学位论文的规定，有权保。留并向国家有关部口或机构送交论文的复印件和禮盘，允许论文被查阅和借阅本人

3、授权安徽大学可Ｗ将学位论文的全部或部分内容编入有关数据库进行检索，可Ｗ采用影印、汇编学位论文。、缩印或担描等复制手段保存（保密的学位论文在解密后适用本授权书）学位论文作者签名：师签名王＾导：（签字日期：年月日签字日期：月日的＾＞５於节摘要摘要随着数字技术、人王智能和互联网的不断发展，我们的生活被繁多的图像信，息所包围，而且图像的分辨率变得越来越高存储图像所需的容量越来越大，所需的存储方法也变得越来越多样化，送些都使得现如今的图像数据库不管是在信。息量，还是在数量上都大的惊人目前，图像处理、图像

4、识别和图像检索等领域的主要挑战在于要求更低的时间消耗、更高的准确率和提取更通用的特征。手绘草图是人类最直观且最原始的沟通工具。近年来，随着智能可触屏设备的普及，手绘草图可ｔｕ轻松地从手机、平板电脑、手写画板上获取，手绘草图的相关研巧吸引了越来越多国内外专家学者的注意。目前己有的手绘草图识别方法严重依赖于手工提取特征，如提取区域、轮廓等图像的低层特性，但是由于手绘草图中线条的多变性、个人的主观因素义Ｌ及不同人绘画基础的不确定性等原因，使得人工提取特征变得十分困难，同时手工提取费时费力且依靠运气，导致了现

5、有的手绘草图的识别率较低，且通用性较差。近年来，深度学习己成为人工智能领域中备受瞩目的研究热点。作为经典的深度学习模型，卷积神经网络在语音识别、姿势识别、图像识别等领域都取得了，经典的卷积神经网络模型主要是为彩色多纹理自然图像设计巨大的成功。但是，一，缺少了颜色手绘草图与之相比、纹理等信息。手绘草图般为二值图像或者灰度图像，具有高度的抽象性和夸化性，并且存在由于用户绘制过程中的停顿和不，ＩｍａＮｔ连贯导致草图轮廓不完整等问题使得现有模型，如在ｇｅｅ上训练得到的卷积神经网络模型ＡｌｅｘＮｅｔ，在识别手绘草图

6、时效果并不理想。相较于基于低层的局部图像描述子，卷积神经网络模型能在中间层表述上获。得更丰富的表达，但是缺芝几何不变性而巧ｓｈｅｒ向量从数学的角度提出了生成概率模型与判别内核方法相结合，，具有较好的局部不变性广泛应用于图像分类、－－Ｗｏｒｄ目标识别等领域，特别是结合着ＢＯＷａｏｆ，词袋）模型。最近Ｓｃｈｎｅｉｄｅｒ（Ｂｇ把Ｆｉｓｈｅｒ向量应用到了手绘草图上，并取得较好的识别率，但是却没有根据手绘Ｉ安徽大学硕±学位论文卷积神经网络在手绘草图识别中的应用研究草图的特性进行设计，，即相对于彩色多纹理自然

7、图像手绘草图没有平滑的渐变，并且没有考虑到使用草图的笔画顺序且更稀疏。本文对卷积神经网络在手绘草图识别中的应用进行了深入的研巧，主要完成的工作和创新点如下：一１．本章提出了种基于卷积神经网络的手绘草图识别方法，该方法根据手绘图像多结构少纹理信息的特点，使用大尺寸的首层卷积核取代自然图像识别中常使用的小尺寸首层卷积核。由于自然图像的纹理较丰富，使用小卷积核能够提取到细节的变化，，而手绘草图缺少这些纹理信息当使用小卷积核时，会导致大部分提取到的特征为空，使得传递给第二层卷积核的信息较少，信息丢失过快，

8、不能很好地获得草图的结构信息，。训练浅层模型作为深层模型对应层的初始值并加入不改变特征大小的卷积层，不仅加深网络深度、减小模型误差，而且减少训练时长，加快收敛。加入不改变特征大小的卷积层来加深网络深度等方法Ｗ降低错误率。